基于高斯过程的全局敏感性分析中的主动学习
摘要：主动学习策略在自适应学习Sobol指数进行全局敏感性分析中的应用研究 摘要：本论文研究了主动学习策略在自适应学习Sobol指数进行全局敏感性分析中的应用。我们证明了Sobol指数在主动学习中面临的独特挑战，这是由于Sobol指数的定义是基于高斯过程替代模型估计的方差比率。因此，学习策略必须集中于这个比率的分子或分母的收敛。然而，无论是其中任何一个迅速收敛都不能保证Sobol指数的收敛。我们提出了一种新的主动学习策略，专注于解决高斯过程的主效应（与Sobol指数的分子相关），并将其与基于总方差收敛的现有策略进行了比较。通过一种称为MUSIC（最小化Sobol指数收敛的不确定性）的新学习函数实现的新策略，通常比基于全局拟合的预期改进（EIGF）和方差改进（VIGF）的现有策略更快地收敛于Sobol指数误差。两种策略与简单的顺序随机抽样进行了比较，以及对于低维问题，MUSIC学习函数通常收敛最快。然而，对于高维问题，其性能与随机抽样相当。新的学习策略在大规模边界层风洞实验的自适应实验设计的实际案例中得到了证明。
作者：Mohit Chauhan, Mariel Ojeda-Tuz, Ryan Catarelli, Kurtis Gurley, Dimitrios Tsapetis, Michael D. Shields
论文ID：2308.14220
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-29